Text-to-SQL 뜻, 자연어로 데이터 묻는 AI가 틀리는 이유와 정확도 높이는 법

Text-to-SQL이란? 사람이 일상 언어로 한 질문을 AI가 데이터베이스 질의어(SQL)로 바꿔 실행하고, 그 결과를 돌려주는 기술이에요. 2026년 현재 가장 앞선 AI도 실제 업무형 데이터에서는 사람보다 정확도가 낮고, 정확도를 가장 크게 올리는 방법은 회사 지표의 뜻을 AI에게 알려주는 것이에요.

📌 이 글 요약

• Text-to-SQL이 어떻게 작동하는지
• 2026년 기준 정확도는 어디까지 왔는지 (BIRD 벤치마크)
• 실무에서 틀리는 이유 4가지와 정확도를 높이는 준비 4가지
• 📎 무료 지표 사전(데이터 사전) 양식

💬 도입을 검토 중이라면 편하게 물어보세요. FanRuan 담당부서가 빠르게 답해 드려요.
편하게 문의하기>>

 

---

 

목차

1. Text-to-SQL이란? 이렇게 작동해요
2. 정확도는 어디까지 왔을까 (2026년 기준)
3. 실무에서 틀리는 이유 4가지
4. 정확도를 높이는 4가지 준비
5. 📎 무료 지표 사전 양식
6. 자주 묻는 질문

---

1. Text-to-SQL이란? 이렇게 작동해요

데이터를 보려면 지금까지는 두 가지 방법뿐이었어요. SQL을 직접 쓰거나, SQL을 아는 사람에게 부탁하거나요. Text-to-SQL은 이 사이를 AI가 대신 채워요.

단계	하는 일	예시
① 질문	사람이 평소 말로 물어요	"지난달 제품군별 매출 알려줘"
② 번역	AI가 질문을 SQL로 바꿔요	SELECT 제품군, SUM(공급가액) …
③ 실행	데이터베이스가 SQL을 실행해요	매출 테이블 조회
④ 답변	결과를 표·차트·요약으로 보여줘요	제품군별 매출 표

여기서 가장 어려운 단계는 ②예요. AI가 "매출"이 어떤 테이블의 어떤 칸을 어떻게 더한 값인지 알아야 하거든요.

---

2. 정확도는 어디까지 왔을까 (2026년 기준)

Text-to-SQL 성능은 보통 BIRD라는 시험으로 비교해요. 실제 기업처럼 크고 복잡한 데이터베이스에서 AI가 만든 SQL의 결과가 정답과 같은지 확인하는 시험이에요.

 

항목	정확도
사람 (데이터 엔지니어 등)	약 93%
2026년 최상위 AI 시스템	약 82%
GPT-4, 업무 힌트 없이 (원논문)	약 35%
GPT-4, 업무 힌트 제공 (원논문)	약 55%

두 가지를 알 수 있어요.

• 아직은 사람이 검토해야 해요. 최고 수준도 약 5번 중 1번은 틀릴 수 있어요.
• 업무 지식이 정확도를 크게 올려요. 같은 모델에 업무 힌트를 줬을 뿐인데 약 20%p가 올랐어요. 즉, 정확도의 열쇠는 모델보다 "우리 회사 데이터의 설명서"에 있어요.

---

3. 실무에서 틀리는 이유 4가지

① 같은 말, 다른 이름

현업은 "매출액", "판매액", "실적"을 섞어 쓰지만, 데이터베이스에는 supply_amt 같은 이름으로만 있어요. AI는 이 둘을 연결하지 못하면 엉뚱한 칸을 찾아요.

② 지표 정의가 제각각

영업은 계약 금액, 회계는 세금계산서 금액을 매출이라고 불러요. 정의가 정해져 있지 않으면 AI는 그럴듯하지만 다른 숫자를 내요.

③ 테이블 연결이 복잡

실제 업무 데이터는 수십~수백 개 테이블이 얽혀 있어요. 어떤 테이블을 어떤 기준으로 붙여야 하는지 모르면 숫자가 두 배로 부풀거나 빠져요.

④ 권한을 모름

AI는 "이 사람이 이 데이터를 봐도 되는지" 스스로 알지 못해요. 권한 규칙이 데이터 쪽에 먼저 있어야 해요.

---

4. 정확도를 높이는 4가지 준비

① 지표 사전 만들기

자주 쓰는 지표마다 정의, 계산식, 원천 테이블·컬럼, 다른 이름을 정리해요. 가장 작은 노력으로 가장 큰 효과가 나는 준비예요.

② 의미 계층(시맨틱 레이어) 두기

사람의 말과 데이터베이스 사이에 "번역 사전"을 두는 거예요. "매출"이라고 하면 늘 같은 계산식으로 연결되게 해 두면, AI도 사람도 같은 숫자를 봐요. FanRuan의 FineBI처럼 데이터셋과 지표를 한 곳에서 정의해 두는 도구가 이 역할을 해요.

③ 예시 질문 쌓기

현업이 자주 묻는 질문과 그 정답 SQL을 모아 두면, AI가 비슷한 질문에 훨씬 정확하게 답해요. 동시에 AI를 검증하는 시험 문제가 돼요.

④ 검증과 권한

기준 보고서(정답지)와 AI 답을 비교하는 절차를 두고, 부서·역할별 볼 수 있는 범위를 데이터 쪽에서 먼저 정해요.

Tip: 처음부터 전사 데이터를 다 정리하려 하지 마세요. 현업 질문 10개 → 필요한 지표 20개 → 그 지표의 사전, 이 순서가 가장 빨라요.

우리 회사 데이터 준비, 편하게 상담하기>>

---

5. 📎 무료 지표 사전 양식

 

위 ①번 준비를 바로 시작할 수 있는 엑셀 양식이에요.

 

📎 [첨부] 지표사전_데이터사전_무료양식_FanRuan.xlsx

지표사전_데이터사전_무료양식_FanRuan.xlsx

0.01MB

 

• 지표명, 다른 이름(동의어), 정의, 계산식, 원천 테이블·컬럼, 기준·집계 단위, 담당 부서, 예시 질문, 최종 수정일을 한 줄에 정리해요.
• "다른 이름" 칸에 현업이 실제로 부르는 말을 모두 적어 두면 AI가 질문을 더 잘 알아들어요.
• "예시 질문" 칸은 나중에 AI를 검증할 때 그대로 시험 문제가 돼요.

예를 들어, 이런 회사라면

이해를 돕기 위한 가정 계산이에요.

현업의 데이터 추출 요청이 한 달 40건이고 한 건에 1시간 30분이 걸린다면, 데이터 담당자는 한 달에 60시간을 "뽑아 주는 일"에 써요. 지표가 정리돼 있으면 현업이 직접 찾을 수 있고, AI를 붙였을 때도 이 시간이 크게 줄어요.

---

6. 자주 묻는 질문

Q. Text-to-SQL이 있으면 BI 툴이 필요 없나요?
아니에요. Text-to-SQL은 "묻고 답하기"에 강하고, BI 툴은 정해진 지표를 매일 같은 기준으로 보여주고 공유하는 데 강해요. 오히려 BI에 정리된 지표가 Text-to-SQL의 정확도를 높이는 바탕이 돼요.

 

Q. ChatGPT 같은 범용 AI로 바로 쓸 수 있나요?
간단한 테이블에는 가능하지만, 회사 데이터는 테이블이 많고 지표 정의가 복잡해요. 보안과 권한 문제도 있어 업무용으로는 지표 정의와 권한이 갖춰진 환경이 필요해요.

 

Q. 정확도는 어느 정도면 쓸 수 있나요?
업무 성격에 따라 달라요. 탐색·참고용 질문은 지금 수준으로도 도움이 되지만, 보고·의사결정에 쓰는 숫자는 사람이 검토하는 단계를 두는 게 안전해요.

 

Q. 무엇부터 준비하면 되나요?
현업이 자주 묻는 질문 10개를 적고, 거기 필요한 지표부터 지표 사전에 정리하세요. 첨부한 양식으로 바로 시작할 수 있어요.

 

Q. FanRuan도 AI 데이터 분석을 하나요?
FanRuan은 FineReport·FineBI로 기업 데이터와 지표를 정리하는 일을 오래 해 왔고, 그 위에서 동작하는 AI 데이터 분석도 곧 한국에서 만나실 수 있도록 준비하고 있어요.

---

마무리

Text-to-SQL은 빠르게 좋아지고 있지만, 정확도를 결정하는 건 결국 "회사 데이터에 붙은 설명서"예요. 지표 사전과 의미 계층을 먼저 갖춘 회사가 AI를 붙였을 때 가장 먼저 효과를 봐요.

🙋 도입을 정하지 않았어도 괜찮아요.
"우리 데이터, AI가 알아들을까?" 한 줄이면 충분해요. FanRuan 담당부서가 빠르게, 직접 답해 드려요.
편하게 문의하기>>

 

 

함께 보면 좋은 글

• BI 툴 비교 2026: 우리 회사에 맞는 툴 고르는 법 (← 링크)
• BI 솔루션 도입 체크리스트 8가지 (← 링크)

---

FanRuan은 이런 회사예요

FanRuan은 보고서·분석 소프트웨어 FineReport와 FineBI를 만드는 데이터 소프트웨어 회사예요.

가트너의 분석·BI 플랫폼 평가에서 3년 연속 Honorable Mention을 받았고, IDC 기준 중국 BI 시장 7년 연속 1위예요.